0 引言

随着我国航空航天事业的蓬勃发展，越来越多空间探测器投入使用，获取的图像数据量越来越大.而航拍图像作为一种重要的数据来源，具有拍摄范围广、数据量大、目标小等特点，处理需求也与日俱增，特别是将航拍图像应用到目标追踪，实时监视，地貌勘察等领域^[1].由于地球表面大约有50%的区域被云层覆盖，对拍摄航拍图像时会造成很大的干扰.这不仅为后期图像处理带来困难，增加了检测的难度，同时也给航拍图像的一些其他应用带来问题.因此，如何有效地减少或消除云干扰是航拍图像的一项重要研究.

航拍图像目标检测领域包括航拍图像云检测，航拍图像桥梁检测^[2]，去雾研究^[3]等.已有的云检测方法大多是利用云对不同光谱的反射特性，选取合适的阈值进行云检测^[4].还有依据图像纹理检测，即模式识别方法^[5]等.但不同于多光谱卫星图像，大多数航拍图像只含有红绿蓝(RGB)三个通道的光学数据，没有其他任何辅助通道信息^[6].本文图像也只含有RGB三个通道信息，因此需要根据云区域在航拍图像中的特有属性进行方法设计.Zhang等^[7]提出了基于双边滤波算子的云检测框架，但双边滤波算子不适用于对任意尺度的细节提取，当增大平滑参数进行多次迭代时，不能很好的保持边缘，会出现梯度反转等问题.廖斌等^[6]在此框架的基础上提出基于自适应引导权的边缘敏感递归滤波算子，其检测结果较好，但计算量大.本文算法基于Sobel算子和LOG算子相结合^[8]来提取边缘，构建细节图像，算法简单，且细节信息保留较完整.

包含云区域的航拍图像颜色通常具有以下相同的属性^[7]：

1)云区域的反射率通常比无云的区域高，因此云区域通常有更高的亮度；

2)大多数云区域通常有较低饱和度和色调；

3)地面目标的特征被云弱化了，因此图像中被云覆盖的区域通常都有较少的细节；

4)图像中云区域总是成片出现；

5)半透明云像素通常出现在云的边界地区.

基于上述结论，本文在文献[7]算法基础上进行改进：首先在航拍图像RGB模型转换为HSI (H, hue, 色调；S, saturation, 饱和度；I, intensity, 亮度)模型时做了改进，得到的云区显著图能够很好地拉大云区域和非云区域的差异；其次，在构建细节图像时采用Sobel算子和LOG算子相结合的边缘提取算法，弥补了彼此之间的不足，从而更好地检测出边缘细节，使生成的细节图像更加精确.

1 方法

图 1为逐步细化的云检测系统流程图.首先构造输入遥感图片的云区显著图，设置最优阈值获得初步云检测结果，之后将另外获得的细节图像与初步云检测结果相融合，再通过引导滤波，获得最终检测结果.

1.1 云区显著图

人眼对图像亮度的辨识能力高于对色度、饱和度的辨识能力.因此，需先将一个输入航拍图片RGB模型，转变成HSI颜色模型^[9]，设：

(1)

其中，R、G、B分别对应于红、绿、蓝三个通道的颜色像素值.色调H，饱和度S，亮度I的值分别为：

(2)

(3)

(4)

根据彩色航拍图像属性，亮度I较高且色调H较低，所以先构造一个云区显著图^[7]，以此突出有云区域和无云区域之间的区别.将输入图像X_nota定义为：

(5)

I_intensity和I_hue分别代表HSI图像的亮度和色调像素值，且像素值范围都约束在[0,255].为了消除边缘模糊度，用双边滤波器对X_nota进行滤波处理；为了凸显云区域与非云区域的显著性，将滤波后的图像像素范围同样限定在[0,255]，从而得到输出图像Y_nota，即为云区显著图.Y_nota被用作下一步最优阈值设置方案的输入图.

1.2 最优阈值设置

首先用全局阈值方法--大津法^[10]从云区显著图的直方图里选取阈值T_OTSU，然后云区显著图在T_OTSU的作用下获得了初步云检测结果Y_pre.

(6)

然而使用大津法，结果可能会出现阈值漂移，即：如果图像的高像素值范围相对较大，得到的阈值也较高，基于此高阈值的初步云检测结果Y_pre会错过一些像素值较低却是真正云像素的区域.相反，如果低像素值范围相对较大，得到的阈值比较低，基于此低阈值的初步云检测结果Y_pre会将部分无云区域误认为有云区域.例如，图 2(a)是云区显著图Y_nota的亮度的直方图，可以看出位于高像素区域的概率值较大.图 2(b)是基于大津法阈值得到的初步云检测结果Y_pre的亮度直方图，其中绿色区域为无云像素对应的概率值，黄色区域对应有云像素概率值.如果大津法选中的阈值是T_OTSU=100，比真实的阈值高，使用这个值进行云区域划分，将会漏掉了一些云区域像素.

为解决大津法出现的误检情况，下面从亮度和色调两个方面来确定最优阈值.根据引言中提到的属性1和属性2可知，航拍图像的云区域亮度通常较高，而饱和度及色调较低.为了确定亮度和色调的大致范围，采用已有的关于航拍图像的统计数据^[7]，从中统计出500张彩色航拍图像的亮度和色调分布，如图 3所示.

其中，图 3(a)为所选航拍图像的亮度直方图, 图 3(b)是相应的累积直方图，图中超过95%的云像素值不低于100.图 3(c)为色调直方图，而图 3(d)是相应的色调累积直方图.显然，几乎所有的色调值都分布在区间[50, 80]中.根据上面统计结果，选择的亮度阈值应不低于100，且实际中上限常设为150，以此来保证真正的云区域像素不被遗漏，所以最优阈值定义为：

(7)

其中，T_OTSU是大津阈值法对云区显著图进行计算获得的全局阈值，这样可以计算出更精确的初步云检测结果.同样发现，色调分布在区间[50, 80]，故将色调值在50到80的像素点定为云区域，其余则为无云区域.这样，初步云检测结果Y_pre经过强度和色调的调整，得到了进一步云检测结果Y_{step_pre}.

初步云检测结果如图 4所示.其中，图 4(a)是输入航拍图像，图 4(b)由文献[7]得到的云区显著图，通过对比分析可知，本文方法得到的云区显著图(图 4(c))的显著性更明显.图 4(d)是大津法得到的阈值分割结果即初步云检测结果Y_pre.

1.3 构建细节图像

在进一步云检测结果Y_{step_pre}中，可能包含一些无云区域，通过剔除这些无云区域以实现更好结果.由引言中属性3可知，航拍图像中云区域细节通常比较少，而背景的细节通常较复杂.因此，将细节图像检测加入到云检测系统中.本文基于Sobel算子与LOG算子相结合的方法来提取图像边缘^[8]，构造细节图像，即先用8个方向模板的Sobel算子提取图像边缘，再用LOG算子进一步提取.LOG算子是：

(8)

(8)式中，以LOG算子▽[0,255]G(x, y)对原始灰度图像进行卷积运算，得到的零交叉点作为边缘点.由于一些云区域(例如卷积云)的边缘可能比较明显，这使得云区域边缘附近的无云区域容易被误认成有云区域.因此，采取Matlab中imfill函数来填充边缘，填充之前，先排除较小的零散集群，零散集群的最低像素阈值T_size设为120.最终得到细节图像Y_detail，然后将进一步云检测结果Y_{step_pre}和细节图像Y_detail进行融合，获得细致云检测结果Y_Finer，如下式：

(9)

图 5(b)是经过亮度和色调调整之后得到的进一步云检测结果Y_{step_pre}，与图 4(d)大津阈值法处理结果相比较，最优阈值设置可以避免误检的问题；(c)是本文边缘提取效果，(d)是文献[7]边缘提取效果，可看出本文方法所得到的图像边缘略细致.

1.4 通过引导滤波进行薄云检测

由属性5知，当云的边界区域出现半透明云像素时，可能会被漏检，因此本文采用引导滤波器^[11]来完善薄云边界的检测.引导滤波用到了局部线性模型，而一个复杂的函数可以用很多局部的线性函数来表示，当需要求出该函数上某一点的值时，只需计算所有包含该点的线性函数值并做平均即可.图像可以被认为是一个二维函数，且假设在一个二维窗口内，该函数的输出与输入满足线性关系.解析表达式如下：

(10)

式中, q是输出图像的像素值，p是输入图像的像素值，i和k是像素索引，a和b是当窗口中心位于k时的线性函数系数.

将之前的细致云检测结果Y_Finer用作输入图像，原始的航拍图像作为参考图像，通过引导滤波输出图像(图 6(c)).在窗口半径^[11]的像素宽度为60、ε=10、选择阈值T_Binary=60的情况下，得到最终的云检测结果Y_finally，如图 6(d)所示.图 6(b)是得到的细致云检测结果Y_Finer，可看到大多数被误认为云区域的无云区域已经被删除.与图 6(b)比较，图 6(d)检测出了云边缘区域的大多数半透明云像素，减少了漏检.

2 结果及分析

本文逐步细化的云检测方法与几组自动图像分割方法进行了比较，其中航拍图像包含薄云、水域、雪域和半透明云等，如图 7所示.图 7(a)为原图，图 7(b)是K-means检测法效果^[12]，其中K-means是基于图片亮度，通过计算两个聚类中心得到的结果.图 7(c)为均值漂移法效果^[13]，首先使用均值漂移将图像分割，检测图像各个像素点的亮度，再把亮度值超过100被视为云区域.图 7(d)是文献[7]的效果图，图 7(e)是本文提出的逐步细化的云检测方法效果，图 7(f)是人眼识别云区域.通过对比各图可知，K-means方法很容易将无云区域误判为有云区域, 检测效果略粗糙.均值漂移对小块云的检测效果不是很好，特别是对包含半透明云和雪域的图片，在细节处理上效果不佳.本文方法与文献[7]效果接近，但本文对零星的小块云的判定较准确, 更接近人眼实际观测的结果.因此，逐步细化的云检测结果更好.本文用错误率(error rate，ER)定量评估云检测方法的效率，ER被定义为：

(11)

上式中，CN表示本身是云像素却被识别成非云的像素点数量，NC表示非云区域却被认为是云区域的像素点数量，TN表示像素总数量.图 7中第一列从上到下四张原始图片经四种方法处理后的ER值如表 1示，可看出，本文方法与K-means、均值漂移处理结果相比有更低错误率，与文献[7]结果接近.由于一般传统方法容易将高亮度非云区域误认为云区域，且很难检测到半透明和薄云像素，所以错误率更高.

3 结论

本文云检测根据云区域航拍图像颜色的五个属性，深入分析图像本身的信息，提出一个改进的逐步细化的云区域检测方法.实验证明该方法能够检测出厚云、薄云和半透明云，检测率高，且经过视觉估计和定量评价后，与其他经典算法相比，本文算法检测结果更好.